CoRe：协变量引导表征增强的可迁移长程时间序列预测

基于摘要分析。本文研究长程时间序列预测，针对既有方法受固定输入维度限制、难以适应持续变化的数据，以及仅使用近期窗口而难以学习持久历史模式的问题，提出协变量引导的可迁移预测方法 CoRe。 核心机制是将输入序列编码为稠密向量，提取实例级全局特征；表征学习通过所提出的 cross-dependency network 建模目标序列与所构造辅助协变量之间的相关性。摘要未说明协变量的具体构造方式、历史信息如何进入模型、损失函数，以及不同输入维度之间如何实现迁移，相关实现条件尚未验证。 作者报告，在六个真实世界数据集的实验中，CoRe 总体达到当时最优结果，并能以稳定表现迁移至未见数据。摘要未提供数据集名称、预测跨度、指标、对照基线或迁移划分，因而不能据此判断其是否适用于跨被试、跨会话或跨数据集的 EEG 场景；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在可复用部分是以目标序列—协变量关系学习表征的机制，可能用于探索 EEG 通道配置变化下的时序预测，但这不等于已验证的 BCI 解码能力。原方法依赖可构造且具有稳定相关性的辅助协变量；迁移时需重新定义 EEG 的预测目标、协变量及通道对应方式。低信噪比、被试差异和小数据可能使协变量关系不稳定，甚至主要捕获伪迹。一个可证伪的小实验是在严格隔离被试的 EEG 预测任务中，对比 CoRe、相同编码器但不使用协变量引导的版本，以及打乱协变量对应关系的版本，并分别报告固定通道与缺失通道条件下的预测误差。已有 EEG 相关工作尚未检索确认。